基于“互联网+MR”大数据的沿街商铺精准识别与覆盖评估的研究

苏大芹，刘 燕（中国联通河南分公司，河南郑州450008）

0 引言

随着现网用户量的逐步增多、诸多的新应用新平台出现，用户对网络感知的要求迅猛提升。特别是具有用户停留时间长、网络使用度高、人流密集、用户价值高、区域代表性强、口碑效应明显的沿街商铺场景，存在深度覆盖问题。如何改善沿街商铺深度覆盖，以点带面，解决用户痛点，有效提升网络口碑，已经成为行业难题。

1 当前沿街商铺识别与覆盖评估现状

1.1 沿街商铺场景的重要性

沿街商铺，是具有用户停留时间长、网络使用度高、人流密集、用户价值高、区域代表性强、口碑效应明显等显著特点的室内场景，也是存在深度覆盖问题的重要室内场景。改善沿街商铺深度覆盖，可以点带面，解决用户痛点，有效提升网络口碑。因此如何精准识别沿街商铺并进行覆盖评估非常重要。

1.2 当前沿街商铺识别与覆盖评估存在的问题

当前业界的沿街商铺识别与覆盖评估基本全靠人工完成，如沿街商铺识别使用电子地图获取商铺位置信息、覆盖评估基本采用DT与CQT测试。随着网络规模与用户的增加，使用人工进行商铺识别与覆盖评估的低效方法已不能满足当前的需求，迫切需要设计一种方法以提高工作效率，降低资源投入，进一步提升网络质量和用户感知。

2 沿街商铺精准识别与覆盖评估目标及思路

2.1 沿街商铺精准识别与覆盖评估的目标

为解决沿街商铺识别与覆盖评估面临的问题，特提出本研究，主要目标如下。

a）沿街商铺识别目标：采用互联网数据挖掘，结合高精度地图精准识别沿街商铺位置。

b）沿街商铺覆盖评估目标：高精度MR与建筑物关联，评估深度覆盖真实情况。

c）资源投入目标：减少日常DT与CQT工作量，提升工作效率。

2.2 沿街商铺精准识别与覆盖评估的思路

针对上述目标，主要思路共分5步。

第1步：数据采集。利用网络爬虫程序获取商铺名称、地址、商户类型、人均消费、评分等互联网数据，使用网管平台获取带高精度信息的MR覆盖信息。

第2步：数据清洗重构。商铺经纬度、网络侧覆盖信息等关键信息格式转化规范整理，数据清洗重构为后期的数据挖掘做准备。

第3步：数据关联和融合。建筑物关联，商铺与MR评估结果关联，基于20 m×20 m栅格归一化以及商铺密集度、商铺人流量模型搭建，基于20 m×20 m栅格归一化覆盖信息。

第4步：运用大数据工具进行数据挖掘。商铺聚集度分析、商铺人流量分析、商铺弱覆盖分析、价值商铺区域挖掘、价值商铺区域精准评估。

第5步：精准优化、维护、规划、建设。根据数据挖掘结果开展价值商铺区域优化、规划。

3 沿街商铺精准识别与覆盖评估的实施

3.1 沿街商铺内部良好感知最低覆盖电平

3.1.1 沿街商铺内部最低覆盖电平门限分析

沿街商铺场景中对用户感知强相关的SINR值和RSRP之间没有明显的线性关系。结合中国联通的覆盖门限要求，当RSRP=-110 dBm左右时，通过合理控制重叠覆盖，SINR值完全可以保持在0 dB以上（一般负载情况下，下载速率5～7 Mbit/s），可以满足用户的基本上网需求（见图1和图2）。

图1 不同场景商铺内衰减关系

图2 商铺内不同位置RSRP与SINR关系

3.1.2 沿街商铺内部最低覆盖电平测试验证

当以-110 dBm作为最低覆盖电平要求时，为了沿街商铺内部的感知保障，路面的覆盖电平应不低于-90 dBm，同时控制重叠覆盖以保障SINR。

通过测试，在道路弱覆盖（电平低于-90 dBm）路段超过30 m时，沿街店铺的覆盖电平将低于-110 dBm（见图3），可以通过现网路测数据或虚拟路测的MR数据，来快速定位现网中沿街商铺的感知问题，通过建维优一体化等手段来提升用户感知。

3.2 沿街商铺大数据分析结果

对郑州市主城区进行分析，郑州主城区沿街商铺统计共5 613家，MR采样点与网友点评量对比走势分析如下，点评量较大的商铺类型为美食、酒店、休闲，其中美食的点评量占总评价量的60%；MR采样点较大的商铺类型为美食、酒店、休闲，其中美食的MR采样点占总采样点的30%（见图4）。

根据美团网商铺信息进行地理化呈现，郑州主城区沿街商铺统计共5 613家，主要以酒店、休闲、美发、美食类为主，这4类店铺数量占比达82.13%左右，人流量占比96.06%，沿街商铺主要分布在人流量较大的居民区、主干道及商圈周边，网络使用度高、人流密集、口碑效应明显。

从商铺网络MR覆盖关联分析来看，郑州主城区约有23.69%的商铺RSRP＜110 dBm比例大于10%，需要重点分析解决。重点根据网格关注店铺密集、人流量较大且弱覆盖较集中的区域（见图5）。

通过美团信息与网络覆盖数据关联融合分析，形成按网格评估的沿街商铺聚集度、商铺点评量、商铺网络覆盖图数据并关联分析，精准识别存在深度覆盖问题的网格，并针对性的开展测试优化，并结合网格价值优先级，纳入建设清单（见图6）。

图3 道路覆盖与沿街商铺覆盖关系

3.3 沿街商铺网格化评估结果

3.3.1 整体评估

郑州主城区沿街商铺MR采集整体弱覆盖比例：（RSRP＜-100 dBm）为21.02%；弱覆盖比例（RSRP＜-110 dBm）为4.73%；RSRP均值为-94.77 dBm。

郑州主城区沿街商铺MR采集大于1万次的商铺主要分布的物理网格为德化步行街为64次，郑大工学院东为63次，河南交通职业技术学院（淮南街）为39次，金博大商圈为32次（见图7）。

图4 沿街商铺网友点评量与分类统计

图5 沿街商铺栅格化地理分布

图6 沿街商铺聚集度、点评量、网络覆盖栅格化

图7 沿街商铺网格分布数量

3.3.2 网格价值评估

以网格为维度，通过综合MR采样点占比、网友点评量占比、店铺数量占比，对各个网格按店铺价值进行排序，郑州主城区共569个网格，综合价值TOP10网格如表1所示。

将表1所述网格地理化显示可以看出，高价值微网格均位于三环内，主要分布在重要的商圈，如二七广场、国贸360等。

3.3.3 网格覆盖评估

表1 综合价值TOP10网格

以网格为维度，以RSRP＜-110 dBm比例≥10%为覆盖差网格，并挑选其中店铺数量≥10的网格重点分析处理，共17个覆盖差网格。

3.4 沿街商铺差网格规建维优措施

根据不同场景，对17个沿街商铺覆盖差网格进行优化，详细的规建维优措施如表2所示。

表2 沿街商铺差网格的规建维优措施

4 总结

选取纬四路菜市场进行覆盖评估结果与现场测试结果对比验证。结果显示，覆盖评估结果准确地反映了现场室内无线覆盖强弱的整体情况。